(小小：机器学习的经典算法与应用)
(小小：机器学习理论（一）KNN-k近邻算法)
(小小：机器学习理论（二）简单线性回归)
(小小：机器学习理论（三）多元线性回归)
(小小：机器学习理论（四）线性回归中的梯度下降法)
(小小：机器学习理论（五）主成分分析法)
(小小：机器学习理论（六）多项式回归)
(小小：机器学习理论（七）模型泛化)
(小小：机器学习理论（八）逻辑回归)
(小小：机器学习理论（九）分类算法的评价)
(小小：机器学习理论（十）支持向量机)
(小小：机器学习理论（十一）决策树)
(小小：机器学习理论（十二）集成学习)
(小小：机器学习理论（十三）Kmeans聚类)
一、最小二乘法
二、实现简单的线性回归算法
三、使用面向对象编程实现
四、向量化运算
五、线性回归算法的评价
六、最好的衡量线性回归算法的指标
前言
思想简单，是许多强大的非线性模型的基础，具有很好的可解释性。背后有强大的数学理论支持。
其本质： 寻找一条直线，最大程度地去拟合样本特征和样本输出标记之间的关系
之所以称为简单线性回归是因为样本特征只有一个。假设我们已经找到最佳拟合直线方程